基于改進(jìn)RFM聚類的高校圖書館用戶畫像研究

樂承毅，王 曦（華東交通大學(xué)經(jīng)濟(jì)管理學(xué)院）

近年來，用戶畫像方法不斷被應(yīng)用于營銷服務(wù)研究領(lǐng)域，成為精準(zhǔn)描述用戶行為特征的有利工具之一，［1］通過構(gòu)建高校圖書館用戶畫像，可以準(zhǔn)確描述用戶的興趣和行為偏好，為讀者個性化地推送信息，幫助高校圖書館優(yōu)化用戶體驗，提供更深層次的服務(wù)。

本文以某一高校圖書館的真實行為數(shù)據(jù)為例，首先嘗試引入客戶細(xì)分領(lǐng)域的RFM模型和思想，并對其進(jìn)行改進(jìn)，設(shè)計高校圖書館讀者用戶的細(xì)分指標(biāo)；其次采用兩步聚類方法，確定高校圖書館的不同細(xì)分群體。在此基礎(chǔ)上，繪制不同讀者群體的用戶畫像。

1 相關(guān)研究

用戶畫像（Persona）由美國交互設(shè)計之父Cooper A提出，他將用戶畫像描述為“在用戶真實數(shù)據(jù)基礎(chǔ)上集成的虛擬象征”，是對用戶的定性勾畫，通過對用戶數(shù)據(jù)的挖掘和提煉，將用戶信息全貌最大程度地展現(xiàn)出來。［2］還有學(xué)者將用戶畫像描述為從海量數(shù)據(jù)中獲取的、由用戶信息組成的圖像聚合，這個聚集體能夠闡述用戶的需求、興趣、性格偏好等。［3-4］目前，針對用戶畫像的構(gòu)建方法主要有傳統(tǒng)統(tǒng)計方法、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、聚類分析、主題模型等。

也有很多學(xué)者對用戶畫像在圖書館領(lǐng)域的應(yīng)用進(jìn)行了研究。劉海鷗等梳理了國內(nèi)外關(guān)于用戶畫像建模方法的最新研究成果，對其在圖書館領(lǐng)域中的具體應(yīng)用進(jìn)行了闡述，提出用戶畫像方法可以在個性化推薦、提高滿意度、規(guī)范失信行為方面起到作用。［5］胡媛等對數(shù)字圖書館用戶畫像進(jìn)行建模分析，并構(gòu)建綜合服務(wù)能力評價指標(biāo)體系，為數(shù)字圖書館社區(qū)用戶描述提供參考。［6］潘宇光建立了高校圖書館個體用戶畫像的指標(biāo)體系，構(gòu)建了讀者關(guān)系圖譜，但其建立的指標(biāo)體系較為粗糙，還有待進(jìn)一步地完善。［7］趙巖提出了大數(shù)據(jù)環(huán)境下圖書館用戶畫像構(gòu)建方法，并研究了閱讀資源推薦流程，但沒有進(jìn)行實例分析。［8］劉速以天津圖書館為例，使用交叉分析及知識圖譜等方法建立了公共圖書館的用戶畫像及基于畫像的用戶關(guān)系圖譜。［9］楊帆以國家圖書館大數(shù)據(jù)項目為例，提出了一種基于讀者畫像及資源畫像為基礎(chǔ)的構(gòu)建圖書館大數(shù)據(jù)分析平臺的方法。［10］

綜上，近年來用戶畫像領(lǐng)域的研究快速增長，但總體而言，圖書館領(lǐng)域?qū)τ脩舢嬒竦难芯咳詼笥谄渌袠I(yè)。［11］在建立用戶畫像時，綜合用戶的注冊信息、偏愛數(shù)據(jù)等特征，同時考慮時間和外部情景影響的較為全面的用戶畫像體系還未健全，尤其在高校圖書館領(lǐng)域的研究甚少。除此之外，關(guān)于用戶畫像的研究大多集中在對個體間差異進(jìn)行勾勒，鮮少在用戶群體劃分基礎(chǔ)上對不同群體用戶形象進(jìn)行描摹。本文結(jié)合相關(guān)研究，以某高校圖書館用戶為例，基于改進(jìn)的RFM模型對用戶進(jìn)行細(xì)分，分析該高校圖書館讀者的行為特征和需求特征，建立用戶畫像指標(biāo)體系與模型，最終形成不同群集的用戶畫像。

2 基于改進(jìn)RFM模型的高校圖書館用戶細(xì)分

2.1 高校圖書館RFM模型改進(jìn)及指標(biāo)選取

在客戶關(guān)系管理和市場營銷領(lǐng)域，RFM模型［12］已被廣泛應(yīng)用于客戶評級、細(xì)分、提供客戶維護(hù)策略等方面，該模型通過R（Recency，最近一次消費時間）、F（Frequency，消費頻率）、M（Monetary，消費金額）三個指標(biāo)來描述某一位客戶的價值狀況并對客戶進(jìn)行細(xì)分。高校圖書館的讀者細(xì)分需要考慮讀者行為與客戶行為的一致性。綜合圖書館用戶行為的特性，建立適用于高校圖書館讀者細(xì)分的RFM模型體系，以提升讀者對圖書館的滿意度。［13］

用戶在高校圖書館借閱圖書時會產(chǎn)生借書、還書、續(xù)借三種行為。借書的用戶不一定是優(yōu)質(zhì)用戶，有部分用戶是借完圖書馬上就還，其知識獲取的情況并不好。而低借書頻率的用戶也不一定是劣質(zhì)用戶，有部分用戶經(jīng)常續(xù)借，其知識利用率較高，因此將讀者續(xù)借行為也考慮在RFM模型之內(nèi)。同時，讀者在某一學(xué)期內(nèi)借閱圖書的數(shù)量能在一定程度上代表讀者借閱書籍的情況，故建立改進(jìn)的RFM模型（見圖1）。R代表最近一次借閱的時間，R越小說明讀者越活躍，對圖書館的價值越大；RF代表一段時間內(nèi)還書次數(shù)， RF越小說明讀者在本學(xué)年內(nèi)較少產(chǎn)生還書行為，持有書籍的時間較長，對知識的掌握情況較好；IF代表一段時間內(nèi)的續(xù)借次數(shù)，IF越大說明讀者對圖書的興趣值較大，讀者較活躍；BF代表一段時間內(nèi)借書次數(shù)，BF越大說明讀者對圖書的粘性較高，對知識的需求較為旺盛，讀者較活躍；B代表一段時間內(nèi)該讀者的平均借閱冊數(shù)，由讀者借閱的總冊數(shù)除以讀者借閱的總次數(shù)，則B越大代表讀者閱讀的書籍越多。

圖1 改進(jìn)后的RFM模型

2.2 高校圖書館用戶的聚類分析

（1）某高校圖書館的數(shù)據(jù)描述。本文選取了2017-2018學(xué)年的讀者行為數(shù)據(jù)，包括借書卡號、姓名、學(xué)院、讀者級別、題名、出版社、出版日期、館藏地址、索書號、借閱時間、還書數(shù)據(jù)、借閱類型等。由于數(shù)據(jù)量較大，因此在采集數(shù)據(jù)時對集成的數(shù)據(jù)進(jìn)行了清理，清理后共有13,072人。其中，男性5,699人（43.6%），女性7,373人（56.4%）；本科生10,601人（81.1%），研究生1,556人（11.9%），教師681人（4.5%），其他人員327人（2.5%）。從圖書借閱情況來看，所有用戶借閱次數(shù)分布在1-114次之間，平均值為8次，借閱次數(shù)在5次以下的有6,869人（53.5%），在10次以下的有9,807人（75%）。

（2）兩步聚類分析。由于高校圖書館的讀者數(shù)據(jù)量大、對聚類個數(shù)要求不高，且兩步聚類算法在算法效率、準(zhǔn)確率和噪聲敏感性三個方面都比常見的k-means聚類和基于層次劃分的算法情況要好。因此，本文選取兩步聚類算法對13,072個樣本進(jìn)行聚類分析。聚類變量選取一段時間內(nèi)續(xù)借頻次（IF）、一段時間內(nèi)還書頻次（RF）、一段時間內(nèi)借書頻次（BF）、平均借閱冊數(shù)（B）和最近一次借書時間（R，取數(shù)據(jù)采集日期減去用戶最近的一次借書日期的差值）五個維度指標(biāo)，使用對數(shù)似然估計方法和施瓦茨貝葉斯（BIC）準(zhǔn)則，通過SPSS Modeler軟件對指標(biāo)進(jìn)行處理，得到兩步聚類的聚類結(jié)果（見圖2）。

圖2 兩步聚類的分類結(jié)果

通過兩步聚類分析得出三類讀者群體五個變量的對比情況（見圖3）。結(jié)合對聚類變量特征的描述及RFM理論，將聚類1、聚類2、聚類3分別描述為流失用戶、回流用戶和活躍用戶。

圖3 三類讀者群體五個變量對比

（3）圖書館用戶細(xì)分類別。① 活躍用戶（聚類3）：聚類3的續(xù)借次數(shù)（IF）、還書次數(shù)（RF）、借書次數(shù)（BF）、平均借閱冊數(shù)（B）較總體平均值大，最近一次借書時間（R）較總體平均值小。說明聚類3的用戶發(fā)生借閱行為的次數(shù)較多，借書冊數(shù)較大，且近期發(fā)生過借閱行為，總體來看較為活躍，故將其定義為活躍用戶。② 回流用戶（聚類2）：聚類2的續(xù)借次數(shù)（IF）、還書次數(shù)（RF）、借書次數(shù)（BF）、平均借閱冊數(shù)（B）、最近一次借書時間（R）較總體平均值小。說明聚類2的用戶從整段時間上來看發(fā)生借閱行為次數(shù)較少，借書冊數(shù)較少，但在近期開始有借閱行為發(fā)生，故將其定義為回流用戶。③ 流失用戶（聚類1）：聚類1的續(xù)借次數(shù)（IF）、還書次數(shù)（RF）、借書次數(shù)（BF）、平均借閱冊數(shù)（B）較總體平均值小，最近一次借書時間（R）較總體平均值大。說明聚類1的用戶發(fā)生借閱行為次數(shù)較少，借閱冊數(shù)較少，最近一次借閱時間距今久遠(yuǎn)，故將其定義為流失用戶。

3 用戶畫像的建立

3.1 用戶畫像指標(biāo)體系建立

根據(jù)高校圖書館的用戶行為特征，圍繞用戶的基本信息標(biāo)簽、行為偏好標(biāo)簽、互動標(biāo)簽、情景標(biāo)簽、活躍度標(biāo)簽5個維度的信息對高校圖書館用戶構(gòu)建用戶畫像指標(biāo)體系，并將用戶畫像按照UC={User,Behavior,Interact,Scene,Activity}的方式進(jìn)行描述，以此構(gòu)建高校圖書館用戶畫像。

3.1.1 用戶基本信息標(biāo)簽

用戶基本信息標(biāo)簽主要對用戶的基本情況進(jìn)行勾勒，如用戶的卡號（Id）、姓名（Name）、性別（Sex）、年齡 （Age）、年級 （Grade）、專業(yè) （Major）、學(xué)院（College）、身份級別 （Id_Grade）、籍貫 （Native_Place）、聯(lián)系方式 （Tel）、住址 （Address） 等。用戶基本信息標(biāo)簽表示為：

User={Id,Name,Sex,Age,Grade,Major,College,Id_Grade,Native_Place,Tel,Address}。

其中，Id為數(shù)據(jù)的唯一標(biāo)識符，用于用戶身份的識別及檢索，Id_Grade包含大學(xué)生、研究生、教職工和其他四種。

3.1.2 用戶行為偏好標(biāo)簽

用戶行為偏好標(biāo)簽主要描述用戶的行為偏好，體現(xiàn)高校圖書館用戶的檢索、瀏覽、閱讀、預(yù)約、收藏、關(guān)注等行為。用戶行為偏好標(biāo)簽表示為：

Behavior={Search,Browse,Read,Order,Collect,Point}。

Search為用戶使用圖書館系統(tǒng)進(jìn)行檢索時輸入的關(guān)鍵字，該關(guān)鍵字體現(xiàn)了用戶的興趣所在；Browse為用戶在瀏覽圖書館頁面時的時間節(jié)點和頁面停留長度；Read為用戶閱讀的內(nèi)容，體現(xiàn)用戶興趣及其所屬的類別范疇；Order為用戶的預(yù)約內(nèi)容，體現(xiàn)用戶的需求，也從側(cè)面反映館藏資料的不足；Collect為用戶的收藏內(nèi)容，體現(xiàn)用戶的興趣點；Point為用戶的關(guān)注點分為喜歡借閱的圖書類別和經(jīng)常閱讀的出版社。

3.1.3 用戶互動標(biāo)簽

用戶互動標(biāo)簽是對用戶進(jìn)行內(nèi)容分享、評論及回復(fù)、情感態(tài)度等互動行為時的特征進(jìn)行刻畫。圖書館用戶互動屬性標(biāo)簽表示為：

Interact={Share,Comment,Attitude}。

Share為用戶分享的內(nèi)容，該標(biāo)簽體現(xiàn)了用戶主動與其他用戶的互動情況；Comment為用戶評論，即用戶在社交平臺及相關(guān)網(wǎng)站進(jìn)行評論、回復(fù)的內(nèi)容；Attitude為用戶態(tài)度，即用戶在社交平臺及相關(guān)網(wǎng)站進(jìn)行評論、回復(fù)時的情感特點。用戶評論和用戶態(tài)度體現(xiàn)了用戶在瀏覽了他人發(fā)布的內(nèi)容后所產(chǎn)生的情感傾向或行為態(tài)度。

3.1.4 情景標(biāo)簽

用戶情境屬性標(biāo)簽主要包括可以反映用戶所在位置、事發(fā)時間以及周邊環(huán)境的信息，其表示為：

Scene={Time,Position,Weather_Con}。

Time是用戶時間信息標(biāo)簽，主要通過時間屬性記錄用戶訪問圖書館或發(fā)生借閱行為時的時間情況；Position是用戶位置信息標(biāo)簽，用于描摹讀者所處位置的相關(guān)情況，如讀者所在的地理位置、讀者的位置類型、周圍人群情況、社會關(guān)系等；Weather_Con是外界環(huán)境信息標(biāo)簽，主要指氣候、光照、噪音等外界環(huán)境因素變化對讀者操作行為帶來的影響。

（1）用戶時間標(biāo)簽表示為：

Time={TID,Datetime,Month,Part_time}。

TID為時間的唯一標(biāo)識；Datetime為當(dāng)前用戶瀏覽的絕對時間；Month為用戶發(fā)現(xiàn)操作行為時的月份；Part_time為時間段，如中午、晚上等。

（2）用戶位置標(biāo)簽表示為：

Position={City，PosType，Colleague}。

City為用戶在進(jìn)行操作時所處的地理位置，如城市、學(xué)校等信息；PosType為用戶發(fā)送操作行為時所在位置，如圖書館閱覽室、宿舍、機(jī)房等；Colleague為用戶發(fā)生操作時旁邊存在的人際關(guān)系，如單獨一個人、與同學(xué)一起等。

（3）用戶外界環(huán)境標(biāo)簽表示為：

Weather_Con＝{Weather，Humidity，Noise}。

Weather為用戶發(fā)生操作行為時的天氣情況，如晴朗、雨、霜；Humidity表示用戶發(fā)生操作行為時的溫度，將其劃分為 0℃以下、0-10℃、10-20℃、20-30℃、30℃以上；Noise為用戶發(fā)生操作行為時的附近的噪聲狀況。

3.1.5 用戶活躍度標(biāo)簽

用戶活躍度標(biāo)簽主要描述用戶訪問圖書館的活躍度，用于反映讀者對書籍的借閱情況，該維度在一定程度上反映出讀者的知識需求和學(xué)習(xí)情況。用戶活躍度標(biāo)簽表示為：

Activity= {Visit_Num,Borrowing_Num,Renew_Num,Return_Num,LastTime_Visit,Visit_Time}。

Visit_Num為用戶累計登陸高校圖書館或進(jìn)館訪問的次數(shù)，可進(jìn)一步將其細(xì)化為電子訪問次數(shù)和實體訪問次數(shù)；Borrowing_Num為用戶的借書次數(shù)，統(tǒng)計每位讀者當(dāng)前學(xué)期借書總次數(shù)；Renew_Num為用戶的續(xù)借次數(shù)；Return_Num為用戶的還書次數(shù)；Last-Time_Visit為用戶的最近一次到訪時間；Visit_Time為讀者借閱時長，統(tǒng)計出還書日期與借書日期間的差值，求和后計算出當(dāng)前學(xué)期的總借閱時長，形成讀者借閱時長的維度指標(biāo)。

3.2 用戶畫像模型建立

筆者利用本體建模法構(gòu)建了高校圖書館用戶畫像的概念模型，將用戶特征直觀展現(xiàn)出來（見圖4）。

圖4 用戶畫像概念模型的構(gòu)建

以某一用戶為例，用戶畫像指標(biāo)體系和模型建立的用戶個體畫像見圖5。在構(gòu)建過程中從用戶數(shù)據(jù)入手，將用戶的特征標(biāo)簽化，直觀展示實現(xiàn)用戶畫像，使圖書管理員可以清晰掌握用戶特征及需求，從而使圖書館的各項服務(wù)活動更有針對性和目的性。

圖5 高校圖書館個體畫像展示

3.3 不同群體的用戶畫像特征及建議

3.3.1 活躍用戶的用戶畫像

活躍用戶對知識的渴望程度高，主動學(xué)習(xí)能力強(qiáng)。以卡號為201607*****7000的讀者為例，建立用戶畫像（見圖6），由用戶畫像可知，該讀者學(xué)年內(nèi)借書、還書、續(xù)借次數(shù)較多，活動較為頻繁。為了更好地服務(wù)于這部分用戶，圖書館可以對其到館訪問時間、訪問方式、借閱圖書的類別等進(jìn)行分析，把握活躍用戶的興趣愛好，了解其需求，有針對性地進(jìn)行圖書推薦。此外，由于活躍用戶借閱書籍較多，為節(jié)約用戶時間，可開通手機(jī)App服務(wù)，提供預(yù)約到館、即到即取等服務(wù)。

圖6 活躍用戶的用戶畫像

3.3.2 回流用戶的用戶畫像

總體來看，回流用戶的借閱量不大、借閱頻次較低，但在近段時間有回流的趨勢。該類型用戶主動性較弱，需要加強(qiáng)引導(dǎo)和挖掘興趣，將其轉(zhuǎn)變?yōu)榛钴S用戶。以卡號為201509******0200的讀者為例，建立用戶畫像（見圖7），由用戶畫像可知，該讀者學(xué)年內(nèi)借書、還書、續(xù)借次數(shù)較少，但最近一次到館日期較近，說明其活動有回流趨勢。為了留住這部分用戶，可以分析其需求量增加的原因，針對其近期的興趣、關(guān)注點主動推送圖書及服務(wù)。同時，對這部分用戶進(jìn)行追蹤調(diào)查，探索其回流背后的潛在原因，如近期科研任務(wù)的加重、興趣愛好的改變、圖書館的某項服務(wù)或活動吸引了其回流。

圖7 回流用戶的用戶畫像

3.3.3 流失用戶的用戶畫像

流失用戶一般長時間沒有到訪記錄及借閱記錄，圖書館在逐漸失去對該類用戶的吸引力。圖書館可針對這部分用戶開通綠色通道，如流失用戶可優(yōu)先借閱新書，以期喚醒該部分用戶，使其轉(zhuǎn)化為回流用戶。以卡號為201313******0325的讀者為例，建立用戶畫像（見圖8），由用戶畫像可知，其學(xué)年內(nèi)借書、還書、續(xù)借次數(shù)較少，已長期沉寂。由于其長時間沒有到訪記錄及借閱記錄，圖書館可根據(jù)其以往的借閱情況及興趣愛好點主動開展推薦服務(wù)。同時，分析其長期未進(jìn)行借閱的原因，如因為圖書館館藏?zé)o法滿足其需求，則圖書館可以有針對性地進(jìn)行圖書采購，并在采購后及時推薦給這部分用戶。

圖8 流失用戶的用戶畫像

4 結(jié)語

本文圍繞高校圖書館的用戶畫像構(gòu)建進(jìn)行研究，提出了基于改進(jìn)RFM聚類的高校圖書館用戶細(xì)分方法。希望本文能為高校圖書館開展精準(zhǔn)服務(wù)和個性化推薦等服務(wù)提供借鑒，未來將會繼續(xù)收集更廣泛的高校用戶數(shù)據(jù)，采用數(shù)據(jù)挖掘等方法深入了解用戶需求，不斷豐富和完善高校圖書館用戶畫像實踐研究。